如何用Python正则re.sub()拆分PDF转文本中连写的句子？

错误原因 #

你在re.sub()的替换字符串里使用了\w、\s这类正则转义序列，但替换参数是普通字符串，不是正则模式，Python会将\w识别为无效的转义字符，因此抛出"bad escape /w"错误。

正确实现方法 #

你需要通过正则分组捕获或断言来保留原字符，同时添加空格拆分句子，以下是两种可行方案：

方案1：分组捕获替换

利用正则分组捕获句号前后的单词字符，在替换时引用分组内容并插入空格：

import re

text = "... are attended <strong>to.In</strong> fact ..."
fixed_text = re.sub(r'(\w)\.(\w)', r'\1. \2', text)
print(fixed_text)
# 输出：... are attended <strong>to. In</strong> fact ...

• (\w)：捕获句号前的单个单词字符
• (\w)：捕获句号后的单个单词字符
• r'\1. \2'：引用两个分组的内容，中间插入空格和句号

方案2：正向/反向断言替换

使用零宽断言定位需要修改的句号，无需捕获原字符，直接替换为带空格的句号：

import re

text = "... are attended <strong>to.In</strong> fact ..."
fixed_text = re.sub(r'(?<=\w)\.(?=\w)', r'. ', text)
print(fixed_text)
# 输出：... are attended <strong>to. In</strong> fact ...

• (?<=\w)：反向断言，确保句号前是单词字符
• (?=\w)：正向断言，确保句号后是单词字符
• r'. '：将匹配到的句号替换为带空格的句号

补充说明 #

之前用re.findall('\w+?\.\w+')能匹配是因为第一个参数是正则模式，支持转义序列，但替换参数不支持，必须用分组引用或直接写目标字符串。

内容的提问来源于stack exchange，提问作者user20309717